搜索推荐策略小记

PART1 推荐策略
工作中在推荐小说、特效、陪玩的时候针对用户会有不同的推荐。这里主要讲一下推荐中存在的问题和解决方法。

推荐：
主要指的是通过用户和物品的关联（例如兴趣、文化、用户属性）给出用户感兴趣的物品。
常见场景是满足用户「逛」的需求，通过抓手物品引出相似物品推荐，提高用户的停留时长和体验感

推荐考虑的维度有三类：1. 内容属性 2.用户属性（年龄、性别、职业等） 3. 场景特征（工作、通勤、旅游等）

一、 小说推荐：

• 小说推荐目前主要是根据用户性别来做推荐，年龄会存在不准确的问题（例如常见场景：根据视频偏好算出的年龄为母亲，但游戏偏好会是孩子，因为母子共用手机；）
• 冷启动：当无法识别性别的时候，主要根据当前app的占多数的性别作为默认推荐。
• 推荐算法前提：积累足够的用户数据/内容数据
• 推荐A/B实验的问题：

1. 候选问题：当书籍候选池不足的时候，会出现缺乏指定类型用户偏好的内容，导致推荐榜不满足用户需求、相似推荐也会存在不满足的情况。
2. 模型问题：具体可参考模型本身的准召

• 评估推荐效果：

1. 通过数据计算不同场景的推荐top100，看是否满足预期，例如给男性推荐的书籍是否是男性偏好的内容。
2. 推荐来源的用户量级占比，推荐来源的用户的人均阅读时长、留存率表现和大盘对比。

二、特效推荐：

• 冷启动：根据各国分年龄性别的偏好排序做基础，也就是说以大众化的兴趣为基础。
• 候选问题：日本特效投稿低经过分析来看主要原因是日本文化中对于露脸存在抵触，因此上线了隐藏面部特征的特效。

三、陪玩推荐：
陪玩推荐存在相互匹配的问题，一方面需要用户匹配陪玩，另一方面需要陪玩当前在线并且能够有充裕时间满足用户需求。

• 陪玩分发策略：在线>忙碌>离线
• 排序策略：
  考虑因素：陪玩（活跃度、成交量）、用户（下过单的陪玩、聊过天的陪玩、浏览过的陪玩）
• 新陪玩推荐：（曝光机制）
  考虑因素：订单量、曝光量、上线时间

补充：
解决稀疏性和冷启动问题的一个常见思路是在推荐算法中额外引入一些辅助信息（side information）作为输入。辅助信息可以丰富对用户和物品的描述、增强推荐算法的挖掘能力，从而有效地弥补交互信息的稀疏或缺失。常见的辅助信息包括：
社交网络：一个用户对某个物品感兴趣，他的朋友可能也会对该物品感兴趣
用户/物品属性：拥有同种属性的用户可能会对同一类物品感兴趣
图像/视频/音频/文本等多媒体信息：例如商品图片、电影预告片、音乐、新闻标题等
上下文信息：用户-物品交互的时间、地点、当前会话信息等。
source：https://www.cnblogs.com/Lee-yl/p/11252334.html

PART2 搜索策略
搜索需要满足的用户的明确检索需求，快速准确找到目标。

1. 衡量搜索效果的指标：

• 搜索无结果率、搜索ctr、搜索用户占比、搜索uv、人均搜索pv、
• TOP5 PV—CTR”：指该query search结果中，排在前五位的item有被点击的搜索PV/该query搜索PV该指标能一定程度反应排序效果；

2. 从产品角度可以通过搜索关键词做用户的意图分析，这通常反映出首页中无法满足用户需求的内容（常搜关键词）
3. 搜索的目标：
   提高单用户的价值，促成用户转化和交易。关注搜索点击率、转化率、下单率
4. 粗排：
   通过query相关性、物品热度、历史浏览/加购记录来排序，同时也兼容运营优先推荐词条的逻辑。
5. 精排：
   基于历史订单数据、用户信息、埋点数据、用户历史Query等，使用传统机器学习或者深度学习来构建CTR模型
6. 业务干预：
   根据商品库存过滤（例如陪玩离线），根据市场活动调整优先级（例如该品牌在促销新品）